CN119442201A 一种用于可信平台支持区块链的身份验证方法 （江苏新视界先进功能纤维创新中心有限公司）

西二环路1188号中国.盛泽纺织科技一种用于可信平台支持区块链的身份验证本发明涉及一种用于可信平台支持区块链置共识委员会的数量为A，并将训练程序和全局参数独立使用MAE进行本地模型验证，然后广播求的局部模型参数再次打包成区块B’并进行储2部模型参数和本地模型验证结果上传到区块链网络K={1,W2,……,wn}；;;3;使用MAE进行本地模型验证是指通过MA;其中，为模型(t)的平均绝对误差，模型(t)是指(t)为模型参数的本地模型，yi为基本事实，f(xi)为模型(t)z)=(t)xi+b，b是偏置，是样Dvar={(x1,y1),(x2,y2),…,(x,y)}，参与者在节点上计算本地模型在公共验证集上的MAE:其中，IDvarl为公共验证集的数量为j，f(x)为模型(t)MAE(0(t))+(1-a)Luay；其中，a是权重参数。;表示每个用户的加密权重；;4[0001]本发明属于区块链技术领域，涉及一种用于可信平台支持区块链的身份验证方而不破坏参与者的隐私。他们通过对原始数据的关键贡献进行一些修改来解决这个问题，[0005]根据数据的分区方式，联邦学习可以分为水平联邦学习（HFL）和垂直联邦学习VFL系统是在假设所有数据标签仅存储在一个访客或活动方上构建的，这在许多实际应用程序中是不现实的。5的过程可能不会继续下去。为了解决这一问题，文献1（Ablockchainforauditablefederatedlearningwithtrustandincentive,in:20195thInternationalConferenceonBigDataComputingandCommunications,BIGCOM,IEEE,2019,pp.计了一个基于区块链点对点网络的联邦学习架构，其中全局存储在区块链的结构的MPT（Merkle帕特里夏树）。文献2（Areliableandaccountableprivacy_preservingfederatedlearningframeworkusingtheblockchain,in:Proceedingsofthe2019ACMSIGSACConferenceonComputerandCommunicationsSecurity,2019,pp.而，它忽略了中间参数的隐私保护问题。Abali等人建议将拉普拉斯噪声添加到训练模型[0010]联邦学习中的隐私保护问题仍有待研究，目前主流研究依赖于DP（文献4：Shuffledmodelofdifferentialprivacyinfederatedlearning.In:Internationalconferenceonartificialintelligenceandstatistics.PMLR;multi_keyhomomorphicencryption.IntJIntellSyst2022.）、SMC（文献6：A6verifiablefederatedlearningschemebasedonsecuremulti_partycomputation.In:Internationalconferenceonwirelessalgorithms,systems,and[0011]文献7（Privacy_preservingdeeplearning.In:Proceedingsofthe22ndACMSIGSACconferenceoncomputerandcommunicationssecurity.2015,pp.1310–文献8（"Blockchainandfederatedlearningforprivacy_preserveddatasharinginindustrialIoT",IEEETransactionsonIndustrialInformatics,vol.16,no.6,pp.4177_4186,2019.）和文献9（"Privacy_preservingblockchain_basedfederatedlearningfortrafficflowprediction",FutureGenerationComputerDecentralizedprivacyusingblockchain_enabledfederatedlearninginfogcomputing",IEEEInternetofThingsJournal,vol.7,no.6,pp.5171_5183,7块B分别发送给委员会的其它成员对区块内的局部模型参数进行混合验证，并将通过混合被定义为节点为P中任意一个节点，节点的本地数据集8[0038]为了实现损失函数相对于模型参数的梯度的相反方向的参数的隐私保护，基于的交叉熵，是动态隐私噪声调整系数，它基于交叉熵控制噪声大小，[0043]如上所述的一种用于可信平台支持区块链的身份验证方法，使用MAE进行本地模[0046]其中，为模型(t)的平均绝对误差，模型(t)是指(t)为模型参数(t)f(xi)=(t)xi+b，b是偏置，iDvar={(x,y),(xz,y2),…,(x,y)}，参与者在节点上计算本地模型在公共验证集上的MAE:(t)MAE(0(t))+(1-α)Luay；其中，a是权重参9。[0057](5)组件注册信息注册=fid,(v1,v2,…,VR),广播到区块链网络，id为节点标识参数信息，该信息由节点DTCK零知识证明公共参数S1,S2…,SK和DH算法参数Y的idk生。。[0063](5)用户P根据DH算法计算公共K=()modq，然后用K对信息进行加密，并将其过了验证，这就意味着p的标识是正确的。节点DTCK根据从区块链获得的用户P[0078]votes(p)表示委员会成员p被投票的总数，MAE(wi)为委员会成员在pi上的本被定义为节点为P中任意一个节点，节点的本地数据集[0110]其中，为模型(t)的平均绝对误差，模型(t)是指(t)为模型参数(t)的预测值，f(xz)=(t)xi+b，b是偏置，iDvar